WAVE 통신 시스템에서 LSTM 기반 저복잡도 채널 추정 기법 (LSTM-based Channel Estimation Scheme with Low Complexity in WAVE Communication Systems)

서지정보

· 발행기관 : 스마트융합콘텐츠학회
· 수록지 정보 : 스마트융합콘텐츠논문지 / 3권 / 3호 / 21 ~ 29페이지
· 저자명 : 임성묵

초록

최근 WAVE 통신 시스템에서 딥러닝 기반 채널 추정 기법들이 활발히 연구되고 있다. 특히, long short term memory-multiple layer perceptron (LSTM-MLP) 기법은 채널의 주파수축 특성뿐만 아니라 시간축 특성까지 학습함으로써 채널의 주파수축 특성만 학습하는 기존 deep neural network (DNN) 계열의 채널 추정 기법보다 우수한 성능을 보인다. 그러나, LSTM-MLP 채널 추정 기법은 프레임 내 orthogonal frequency division multiplexing (OFDM) 심볼의 위치에 따라 LSTM unit 수를 가변적으로 사용하는데, 이는 시스템의 복잡도를 증가시킬 뿐만 아니라 채널의 시간축 특성을 안정적으로 학습하기 어렵다는 단점이 있다. 이러한 문제점을 극복하기 위하여 본 논문에서는 LSTM unit 수를 고정적으로 사용하는 simplified LSTM-MLP (sLSTM-MLP) 기법을 제안한다. 제안 기법에서는 먼저 채널의 시간축 특성을 학습하기 위하여 LSTM 심층 신경망을 구현한다. 이후 LSTM 망의 출력 신호를 인가받아 MLP 망을 훈련함으로써 채널의 주파수축 특성을 학습하게 된다. 이때 LSTM unit의 수를 고정적으로 사용하기 때문에 복잡도를 낮추면서도 프레임 내 OFDM 심볼의 위치에 상관없이 안정적으로 채널 특성을 학습할 수 있으며, 이는 우수한 패킷에러율 (packet error rate, PER) 성능을 보장한다. 모의실험 결과 제안 기법이 기존 딥러닝 기반 채널 추정 기법 대비 우수한 성능을 나타내는 것을 확인하였다.

영어초록

Recently, deep learning-based channel estimation techniques have been actively studied in WAVE communication systems. In particular, the long short term memory-multiple layer perceptron (LSTM-MLP) technique shows superior performance to the existing deep natural network (DNN) based channel estimation techniques, which learn only the spectral characteristics of the channel, by learning not only the spectral but also temporal characteristics. However, the LSTM-MLP uses the number of LSTM units variably depending on the position of orthogonal frequency division multiplexing (OFDM) symbols in a frame, which not only increases the complexity of the system, but also has the disadvantage of making it difficult to learn the time-axis characteristics of the channel stably. To overcome this, in this paper, a simplified LSTM-MLP (sLSTM-MLP) technique is proposed, which uses the fixed number of LSTM units. In the proposed scheme, he LSTM is implemented to learn the temporal characteristics of the channel. After that, the spectral characteristics of the channel are learned by training the MLP network by receiving the output signal of the LSTM network. Because the proposed scheme uses the fixed number of LSTM units, it can reduce the computational complexity and guarantee the stable learning of the channel characteristics regardless of the position of OFDM symbols in a frame, resulting in enhancing the packet error rate (PER) performance. Through the simulation result, t was confirmed that the proposed technique exhibits superior performance compared to the existing deep learning-based channel estimation technique.

참고자료

· 없음